---
title: "n8n workflow para sa WhatsApp voice note transcription"
description: "Isang n8n workflow na tumatanggap ng WhatsApp voice note, dina-download ito mula sa Meta, kino-convert gamit ang ffmpeg at tina-transcribe sa Arabic o 13 pang wika."
url: https://broadrouter.com/fil/guides/n8n-whatsapp-voice-note-transcription/
lang: fil
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Isinalin mula sa Ingles sa tulong ng AI. [Basahin ang orihinal sa Ingles](https://broadrouter.com/guides/n8n-whatsapp-voice-note-transcription/) (na-update noong 2026-11-16).

# Paano i-transcribe ang WhatsApp voice notes sa n8n

Na-update 2026-11-16

Gumamit ng walong n8n node: WhatsApp Trigger sa Messages, If node na audio lang ang pinapadaan, ang WhatsApp Download operation para sa media URL, HTTP Request na kumukuha ng .ogg file, Read/Write Files node na nagse-save nito, ffmpeg sa Execute Command node para gawing WAV, ikalawang Read/Write Files node na naglo-load ng WAV, at HTTP Request sa /v1/audio/transcriptions. Kailangan nito ng self-hosted na n8n na may naka-install na ffmpeg.

Ginagawang teksto ng workflow na ito ang bawat papasok na WhatsApp voice note sa loob ng n8n. Ito ang n8n na bersyon ng [script sa WhatsApp voice notes guide](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/): parehong ffmpeg conversion at parehong transcription call. Sinuri ang mga pangalan at option ng node sa ibaba laban sa documentation at source code ng n8n noong 2026-11-14; nasa sources ang mga link.

## Ano ang kailangan mo

-   **Self-hosted na n8n.** Ayon sa docs ng n8n, wala ang Execute Command node sa n8n Cloud at naka-disable ito bilang default mula n8n 2.0.
-   **ffmpeg sa n8n host.** Sa Docker, sa loob ng n8n container tumatakbo ang command, hindi sa Docker host, kaya dapat nasa image ang ffmpeg.
-   **WhatsApp Business Cloud credential sa n8n**, na nakakonekta sa isang Meta app na may WhatsApp Business Account mo, at ang access token ng app na iyon.
-   **Isang BroadNet API key.** May $5 na panimulang credit ang mga bagong account nang walang card, at tumatakbo rito ang dalawang transcription model.

## Ihanda ang n8n: ffmpeg, Execute Command at isang folder para sa mga file

Walang package manager ang opisyal na n8n Docker image. Ipinapakita ng docs ng n8n kung paano ibalik ang `apk` sa isang custom image para mag-install ng curl; ang parehong Dockerfile, na `ffmpeg` ang kapalit ng `curl`, ang magbibigay sa iyo ng ffmpeg:

```dockerfile
FROM n8nio/n8n
USER root

# Restore the apk package manager (removed from the base image)
COPY --from=alpine:3.22 /sbin/apk /sbin/apk
COPY --from=alpine:3.22 /lib/apk /lib/apk
COPY --from=alpine:3.22 /usr/lib/libapk* /usr/lib/

RUN apk add --no-cache ffmpeg
USER node
```

I-build ito gamit ang `docker build -t n8n-ffmpeg .` at patakbuhin ang `n8n-ffmpeg` kapalit ng `n8nio/n8n`. Kami ang nagpalit ng `ffmpeg` sa curl example ng n8n, kaya patakbuhin nang isang beses ang `ffmpeg -version` sa isang Execute Command node para makumpirma ito.

Pagkatapos, i-set ang dalawang environment variable:

| Variable | Value | Bakit |
| --- | --- | --- |
| `NODES_EXCLUDE` | `"[]"` | Naka-block bilang default ang Execute Command. Inaalis ng walang lamang listahan ang block nito, pati ng bawat ibang node na bina-block ng n8n bilang default, kaya ibalik ang mga gusto mong manatiling naka-block. |
| `N8N_RESTRICT_FILE_ACCESS_TO` | huwag i-set | Mula n8n 2.0, `~/.n8n-files` ang default nito. Sa opisyal na image, iyon ay `/home/node/.n8n-files`, ang folder na ginagamit sa ibaba. |

## Ang workflow, node por node

| # | Node | Setting |
| --- | --- | --- |
| 1 | WhatsApp Trigger | Event: **Messages** |
| 2 | If | `{{ $json.messages?.[0]?.type ?? '' }}` is equal to `audio` |
| 3 | WhatsApp Business Cloud | Resource **Media**, Operation **Download**, Media ID `{{ $json.messages[0].audio.id }}` |
| 4 | HTTP Request | GET `{{ $json.url }}`, header `Authorization: Bearer <WhatsApp access token>`, Response Format **File**, Put Output in Field `data` |
| 5 | Read/Write Files from Disk | **Write File to Disk**, path `/home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.ogg`, Input Binary Field `data` |
| 6 | Execute Command | ang ffmpeg command sa ibaba |
| 7 | Read/Write Files from Disk | **Read File(s) From Disk**, ang path ng `.wav`, Put Output File in Field `data` |
| 8 | HTTP Request | POST sa transcription endpoint, nasa ibaba |

Nandiyan ang nodes 5 hanggang 7 dahil shell command ang pinapatakbo ng Execute Command at hindi ito tumatanggap ng binary data ng n8n, kaya isinusulat muna sa disk ang file at saka binabasa ulit.

### I-import ang workflow sa halip na buuin ito

[I-download ang workflow bilang n8n JSON](https://broadrouter.com/downloads/n8n-whatsapp-voice-note-transcription.json) (8 node, naka-set up para sa Arabic) at i-import ito sa n8n gamit ang **Import from File**. Walang key o token sa loob nito. Ang bawat node na nangangailangan ng login ay may placeholder credential na nagsisimula ang pangalan sa `REPLACE:`; buksan ang apat na node na iyon at piliin ang sarili mong credentials. Sinuri ang mga pangalan ng node type at parameter laban sa source code ng n8n noong 2026-11-14; ipinapaliwanag ng guide sa ibaba ang bawat node, kaya puwede mo rin itong buuin nang mano-mano.

### 1–2. Mag-trigger sa messages, audio lang ang itira

Sa source code ng n8n, isang item kada change sa webhook ng Meta ang output ng WhatsApp Trigger, at nasa ilalim ng `messages` ang listahan ng mga mensahe. Lahat ng text, larawan at voice note ay dumarating sa **Messages** event, kaya ipinapasa lang ng If node ang mga item na `audio` ang `type` ng unang mensahe. Dumarating din sa parehong event ang delivery at read receipts nang walang `messages` list; ginagawang walang lamang string ng `?? ''` ang nawawalang value na iyon para hindi pumalya sa kanila ang strict type check.

Isang nakarehistrong webhook URL lang kada app ang pinapayagan ng WhatsApp. Babala ng docs ng n8n na napapalitan ito kapag nagpalipat-lipat ka sa test at production URL ng trigger, kaya hihinto sa pagtanggap ng mga event ang kabilang URL.

### 3–4. I-download ang voice note mula sa Meta

Tumatawag ang **Download** operation ng WhatsApp node sa media endpoint ng Meta gamit ang media ID at nagbabalik ng JSON na may `url`, hindi ang audio. Ayon sa docs ng Meta, 5 minuto ang bisa ng URL na iyon at papalya ang download kung walang access token mo. Kaya kinukuha ng susunod na HTTP Request node ang `{{ $json.url }}` na may token sa `Authorization` header at sine-save ang response bilang file sa `data` field. Sa n8n, itago ang token sa isang **Header Auth** credential (name `Authorization`, value `Bearer` kasunod ang token) sa halip na i-type ito sa node.

### 5–7. I-convert sa WAV gamit ang ffmpeg

Isulat ang file sa disk (node 5), saka i-convert ito sa Execute Command node (node 6):

```bash
ffmpeg -y -loglevel error -i /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.ogg -ar 16000 -ac 1 /home/node/.n8n-files/{{ $('WhatsApp Trigger').item.json.messages[0].audio.id }}.wav
```

Gumagawa ang `-ar 16000 -ac 1` ng 16 kHz mono WAV, ang conversion na ginagamit ng docs ng BroadNet para sa voice notes. Numero ang media ID, kaya ligtas itong gamitin sa file name. Binabasa ulit ng node 7 ang `.wav` file papunta sa `data` field.

### 8\. I-transcribe

Gumawa ng pangalawang **Header Auth** credential para sa BroadNet (name `Authorization`, value `Bearer` kasunod ang BroadNet key mo). Saka i-configure ang huling HTTP Request node:

| Field | Value |
| --- | --- |
| Method | POST |
| URL | `https://inference.broadnet.ai/v1/audio/transcriptions` |
| Authentication | Generic Credential Type, **Header Auth**, ang BroadNet credential |
| Send Body | naka-on, Body Content Type **Form-Data** |
| Body parameter `model` | `broadnet/cohere-transcribe-arabic` (o `broadnet/cohere-transcribe` para sa 13 pang wika) |
| Body parameter `language` | `ar` (o `en`, `es`, …) |
| Body parameter `file` | Parameter Type **n8n Binary File**, Input Data Field Name `data` |

JSON ang response at nasa `text` ang transcript, kaya `{{ $json.text }}` ang babasahin ng mga susunod na node. Kapareho iyon ng request sa curl call na ito:

```bash
curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav
```

Laging ipadala ang `language`. Kapag wala ito, puwedeng bumalik ang Arabic na naka-transliterate sa Latin na letra.

## Ano ang gagawin sa teksto

I-save ito sa CRM o helpdesk mo, o ipasa sa isang chat model para i-summarise o i-classify ang mensahe. Ipinapakita ng [n8n OpenAI-compatible guide](https://broadrouter.com/fil/guides/n8n-openai-compatible/) kung paano ituro ang OpenAI Chat Model node ng n8n sa BroadNet gamit ang parehong key. Para maglinis, magdagdag ng huling Execute Command node na magbubura sa dalawang file para sa media ID na iyon.

## Troubleshooting

-   **Walang natatanggap ang trigger.** Tingnan kung naka-publish ang workflow sa production URL at kung naka-subscribe ang Meta app mo sa WhatsApp Business Account; ayon sa docs ng n8n, hindi ginagawa ng n8n ang subscription na iyon.
-   **404 ang media download.** Nag-expire ang URL pagkalipas ng 5 minuto. Ayon sa docs ng Meta, humingi ng bagong media URL, at i-renew ang access token kung pumalya rin iyon.
-   **“Unrecognized node type” o nawawala ang Execute Command.** Naka-block ito bilang default mula n8n 2.0; i-set ang `NODES_EXCLUDE`.
-   **`ffmpeg: not found`.** Walang ffmpeg ang image; i-build ang custom image sa itaas.
-   **Access to the file is not allowed.** Magsulat sa ilalim ng `/home/node/.n8n-files`, o i-set ang `N8N_RESTRICT_FILE_ACCESS_TO` sa folder na ginagamit mo.
-   **400, 413 o 429 mula sa BroadNet.** Ang 413 ay nangangahulugang lampas sa 26,214,400 bytes ang file (mga 13 minuto ng 16 kHz mono WAV); ang 429 ay sobrang daming sabay-sabay na request. Tingnan ang [BroadNet error codes at retries](https://broadrouter.com/fil/guides/errors-and-retries/).

Nasa [Arabic speech-to-text guide](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/) ang tungkol sa accuracy, mga dialect at kung paano ikinukumpara ang presyo ng BroadNet sa ibang speech-to-text API. Para sa batch at streaming list prices ng mahigit 20 speech-to-text na produkto, bawat isa may source at petsa ng pagsuri, tingnan ang bukas na [speech-to-text API price index](https://broadrouter.com/data/speech-to-text-api-prices/).

## Mga termino sa gabay na ito

[Speech-to-text (STT)](https://broadrouter.com/fil/glossary/speech-to-text/)

Ang speech-to-text, na tinatawag ding automatic speech recognition (ASR), ay teknolohiyang ginagawang nakasulat na text ang binigkas na audio. Tumatanggap ang speech-to-text API ng audio file o stream at nagbabalik ng transcript, kadalasang may presyo kada minuto ng audio. Sinusukat ang accuracy gamit ang word error rate, at nag-iiba ito ayon sa accent, dialect at kalidad ng recording.

[Token](https://broadrouter.com/fil/glossary/token/)

Ang token ay ang yunit ng text na binabasa at isinusulat ng isang language model: isang salita, bahagi ng salita, bantas o byte sequence na ginawa ng tokenizer ng model. Sa token binibilang, nililimitahan at kadalasang sinisingil ng mga LLM API ang paggamit.

[API key](https://broadrouter.com/fil/glossary/api-key/)

Ang API key ay isang lihim na string na kumikilala at nagpapahintulot sa client na tumatawag sa isang API. Kadalasang hinihingi ito ng mga LLM API sa Authorization: Bearer header, at ang sinumang may hawak ng key ay makakagawa ng mga request na sisingilin sa account na may-ari nito.

[WAV](https://broadrouter.com/fil/glossary/wav/)

Ang WAV (Waveform Audio File Format, o WAVE) ay isang audio container na nakabatay sa RIFF format ng Microsoft at IBM. Kadalasang uncompressed na linear PCM sample ang laman nito, kaya predictable ang laki: sample rate na pinarami sa bytes per sample at sa bilang ng channel, bawat segundo.

[Sample rate](https://broadrouter.com/fil/glossary/sample-rate/)

Ang sample rate ay ang bilang ng audio sample na kinukuha kada segundo, na sinusukat sa hertz (Hz). Karaniwang 16,000 Hz (16 kHz) na mono audio ang inaasahan ng mga speech recognition model. Kasama ng bit depth at bilang ng channel, ang sample rate ang nagtatakda kung gaano kalaki kada minuto ang hindi naka-compress na audio file.

[Concurrency](https://broadrouter.com/fil/glossary/concurrency/)

Ang concurrency ay ang bilang ng request na sabay-sabay na in flight mula sa isang client. Madalas itong nililimitahan ng mga LLM API kada key o plan, hiwalay sa requests per minute, dahil humahawak ng GPU capacity ang bawat bukas na request hanggang matapos ang response nito.

[Streaming](https://broadrouter.com/fil/glossary/streaming/)

Ang streaming ay paraan ng pagbabalik ng sagot ng language model nang paunti-unting chunk habang binubuo pa ito, sa halip na iisang sagot sa dulo. Sa mga OpenAI-compatible na API, dumadaan ang streaming sa server-sent events kapag naka-set sa true ang stream sa request.

## Mga tanong

### Gumagana ba ang workflow na ito sa n8n Cloud?

Hindi sa kasalukuyang anyo nito. Ayon sa docs ng n8n, wala ang Execute Command node sa n8n Cloud, at kailangan ng conversion step ang ffmpeg sa machine na nagpapatakbo ng n8n. Sa n8n Cloud, i-convert ang audio sa isang panlabas na serbisyong hawak mo at tawagin ito gamit ang HTTP Request node.

### Bakit hindi ko puwedeng ipadala nang diretso ang WhatsApp .ogg file sa transcription endpoint?

Opus audio sa loob ng Ogg container ang WhatsApp voice notes. WAV at MP3 ang tinatanggap ng transcription endpoint ng BroadNet, kaya kino-convert muna ng workflow ang bawat note sa 16 kHz mono WAV gamit ang ffmpeg.

### Bakit hindi audio file ang ibinabalik ng WhatsApp Download operation?

Sa source code ng n8n, tumatawag ang Download operation sa GET media endpoint ng Meta, na nagbabalik ng JSON object na may pansamantalang URL. Isang pangalawang HTTP Request node ang kumukuha sa URL na iyon gamit ang WhatsApp access token mo. Ayon sa Meta, 5 minuto ang bisa ng URL.

### Bakit walang natatanggap ang WhatsApp Trigger ko pagkatapos kong i-publish ang workflow?

Isang webhook URL lang kada app ang pinapayagan ng WhatsApp, kaya napapalitan ito kapag nagpalipat-lipat ka sa test at production URL ng n8n. Sabi rin ng docs ng n8n, hindi nito sina-subscribe ang Meta app mo sa WhatsApp Business Account; tingnan ang subscription na iyon sa Subscribed Apps API ng Meta.

### Magkano ang pag-transcribe ng WhatsApp voice notes sa ganitong paraan?

Kada minuto ng audio ang singil ng BroadNet: $0.0042 sa BroadNet Transcribe Arabic o $0.002 sa BroadNet Transcribe. Ang 10,000 Arabic na voice note na tig-30 segundo ay nagkakahalaga ng $21.00. Hiwalay ang singil ng n8n at Meta.

## Mga kaugnay na gabay

-   [Paano gawing text ang WhatsApp voice notes gamit ang API](https://broadrouter.com/fil/guides/transcribe-whatsapp-voice-notes/)
-   [BroadNet Inference sa n8n: OpenAI credential at Base URL](https://broadrouter.com/fil/guides/n8n-openai-compatible/)
-   [Arabic speech-to-text API: gabay na hakbang-hakbang](https://broadrouter.com/fil/guides/arabic-speech-to-text-api/)
-   [Mga error code ng BroadNet Inference at kailan dapat mag-retry](https://broadrouter.com/fil/guides/errors-and-retries/)
-   [Lahat ng tool na gumagana sa BroadNet Inference (Ingles)](https://broadrouter.com/integrations/): mga SDK, coding agent, chat UI at automation tool, kasama ang eksaktong setting ng bawat isa

Subukan ito sa totoong workload mo. May US$5 na panimulang credit ang mga bagong account para sa Gemma at transcription. Kailangan ng top-up para sa DeepSeek, GLM, at Qwen3.8.

[Magsimula](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-n8n-whatsapp-voice-note-transcription&utm_content=page-cta) ·

**Mga source**

-   [n8n docs, WhatsApp Trigger node (mga event, isang webhook kada app; sinuri noong 2026-11-14)](https://docs.n8n.io/integrations/builtin/trigger-nodes/n8n-nodes-base.whatsapptrigger/)
-   [n8n docs, WhatsApp Business Cloud node (Media operations; sinuri noong 2026-11-14)](https://docs.n8n.io/integrations/builtin/app-nodes/n8n-nodes-base.whatsapp/)
-   [Source code ng n8n, WhatsApp media operations (media URL ang ibinabalik ng Download; sinuri noong 2026-11-14)](https://github.com/n8n-io/n8n/blob/master/packages/nodes-base/nodes/WhatsApp/MediaDescription.ts)
-   [Source code ng n8n, output ng WhatsApp Trigger (isang item kada change value ng webhook; sinuri noong 2026-11-14)](https://github.com/n8n-io/n8n/blob/master/packages/nodes-base/nodes/WhatsApp/WhatsAppTrigger.node.ts)
-   [n8n docs, HTTP Request node (Form-Data, n8n Binary File, Response Format File; sinuri noong 2026-11-14)](https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.httprequest/)
-   [n8n docs, Execute Command node (self-hosted lang, naka-disable bilang default mula n8n 2.0, halimbawa sa Docker; sinuri noong 2026-11-14)](https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.executecommand/)
-   [n8n docs, pag-block ng mga node (NODES\_EXCLUDE; sinuri noong 2026-11-14)](https://docs.n8n.io/hosting/securing/blocking-nodes/)
-   [n8n docs, Read/Write Files from Disk (default ng N8N\_RESTRICT\_FILE\_ACCESS\_TO; sinuri noong 2026-11-14)](https://docs.n8n.io/integrations/builtin/core-nodes/n8n-nodes-base.readwritefile/)
-   [Meta WhatsApp Cloud API, media (kailangan ng access token sa download; 5 minuto ang bisa ng URL; sinuri noong 2026-11-14)](https://developers.facebook.com/docs/whatsapp/cloud-api/reference/media)
-   [Meta WhatsApp Cloud API, audio messages (OGG na may Opus ang voice notes; sinuri noong 2026-11-14)](https://developers.facebook.com/documentation/business-messaging/whatsapp/messages/audio-messages)
-   [API reference ng BroadNet Inference, transcription (Ingles)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fil-guides-n8n-whatsapp-voice-note-transcription&utm_content=sources#requests)
